OpenCV项目实战-深度学习去阴影-图像去阴影

往期热门博客项目回顾:

计算机视觉项目大集合

改进的yolo目标检测-测距测速

路径规划算法

图像去雨去雾+目标检测+测距项目

交通标志识别项目

yolo系列-重磅yolov9界面-最新的yolo

姿态识别-3d姿态识别

深度学习小白学习路线

//正文开始!

图像去阴影算法旨在改善图像质量并恢复阴影下物体的真实颜色与亮度
这对于许多计算机视觉任务如物体识别、跟踪以及增强现实等至关重要。以下是一些图像去阴影算法的基本概述:
在这里插入图片描述

  1. 基于亮度差算法

    • 这种方法通过比较图像中相邻像素或同一物体不同部分的亮度差异来检测阴影。假设在同一光照条件下,物体表面颜色应相对一致,若出现较大差异则可能被认为是阴影区域。通过统计分析或者阈值处理,可以区分出阴影并尝试通过某种方式(例如线性插值、邻域平均或其他修复策略)填充阴影区域以还原原始色彩。
  2. 空洞卷积与注意力融合的对抗式图像阴影去除算法

    • 这类算法采用深度学习方法,尤其是结合生成对抗网络(GANs)的技术。空洞卷积(dilated convolution)有助于捕捉更大范围的上下文信息,而注意力机制能帮助网络更加关注阴影和非阴影区域的关键特征。通过训练这样的网络模型,它可以学习如何从含有阴影的图像中生成无阴影的输出图像。
      在这里插入图片描述
  3. 局部或全局对比度调整

    • 对比度增强和直方图均衡化等技术也可以用于减轻阴影的影响,它们通过对整幅图像或局部区域进行亮度和对比度调整来改善阴影区域的表现。
  4. 形态学操作

    • 在某些简单情况下,可以使用形态学操作如最大滤波和最小滤波来估计和校正阴影。例如,在图像背景较浅的情况下,先对图像应用最大滤波以提取潜在的背景亮度,然后用得到的信息来推测并填补阴影区域。
  5. 基于物理模型的方法

    • 根据光源方向、阴影投射角度及场景深度信息建立物理模型,通过逆向渲染过程来估计阴影并进行去除。
  6. 多尺度分析和混合模型

    • 利用多尺度分析结合多种算法,比如小波变换、高斯金字塔等,能够在不同分辨率层级上分析和处理阴影,然后组合多个层级的结果以获得更准确的阴影去除效果。
      在这里插入图片描述

随着深度学习在图像处理领域的快速发展,越来越多的算法倾向于利用神经网络构建端到端的学习系统来解决阴影去除问题,这些方法通常能提供更优秀的效果,特别是在处理复杂场景和具有丰富纹理的图像时。然而,每种方法都有其适用场景和局限性,实际应用中往往需要根据具体需求和数据特性选择合适的算法。

代码

def parse_args():
    desc = "Pytorch implementation of DCShadowNet"
    desc = "Pytorch implementation of DCShadowNet"
    parser = argparse.ArgumentParser(description=desc)
    parser.add_argument('--phase', type=str, default='test', help='[train / test]')
    parser.add_argument('--dataset', type=str, default='SRD', help='dataset_name')
    #parser.add_argument('--datasetpath', type=str, default='/disk1/yeying/dataset/SRD', help='dataset_path')

    parser.add_argument('--datasetpath', type=str, default='SRD', help='dataset_path')

    parser.add_argument('--iteration', type=int, default=1000000, help='The number of training iterations')
    parser.add_argument('--batch_size', type=int, default=1, help='The size of batch size')
    parser.add_argument('--print_freq', type=int, default=1000, help='The number of image print freq')
    parser.add_argument('--save_freq', type=int, default=100000, help='The number of model save freq')
    parser.add_argument('--decay_flag', type=str2bool, default=True, help='The decay_flag')

    parser.add_argument('--lr', type=float, default=0.0001, help='The learning rate')
    parser.add_argument('--weight_decay', type=float, default=0.0001, help='The weight decay')
    parser.add_argument('--adv_weight', type=int, default=1, help='Weight for GAN')
    parser.add_argument('--cycle_weight', type=int, default=10, help='Weight for Cycle')
    parser.add_argument('--identity_weight', type=int, default=10, help='Weight for Identity')
    parser.add_argument('--dom_weight', type=int, default=1, help='Weight for domain classification')
    parser.add_argument('--ch_weight', type=int, default=1, help='Weight for shadow-free chromaticity')
    parser.add_argument('--pecp_weight', type=int, default=1, help='Weight for shadow-robust feature')
    parser.add_argument('--smooth_weight', type=int, default=1, help='Weight for boundary smoothness')
    
    parser.add_argument('--use_ch_loss', type=str2bool, default=True, help='use shadow-free chromaticity loss')
    parser.add_argument('--use_pecp_loss', type=str2bool, default=True, help='use shadow-robust feature loss')
    parser.add_argument('--use_smooth_loss', type=str2bool, default=True, help='use boundary smoothness loss')

    parser.add_argument('--ch', type=int, default=64, help='base channel number per layer')
    parser.add_argument('--n_res', type=int, default=4, help='The number of resblock')
    parser.add_argument('--n_dis', type=int, default=6, help='The number of discriminator layer')

    parser.add_argument('--img_size', type=int, default=256, help='The size of image')
    parser.add_argument('--img_h', type=int, default=480, help='The org size of image')
    parser.add_argument('--img_w', type=int, default=640, help='The org size of image')
    parser.add_argument('--img_ch', type=int, default=3, help='The size of image channel')

    parser.add_argument('--result_dir', type=str, default='results', help='Directory name to save the results')
    parser.add_argument('--device', type=str, default='cpu', choices=['cpu', 'cuda'], help='Set gpu mode; [cpu, cuda]')
    parser.add_argument('--benchmark_flag', type=str2bool, default=False)
    parser.add_argument('--resume', type=str2bool, default=True)
    parser.add_argument('--epoch', type=int, default=1)
    parser.add_argument('--use_original_name', type=str2bool, default=False, help='use original name the same as the test images')
    parser.add_argument('--im_suf_A', type=str, default='.png', help='The suffix of test images [.png / .jpg]')

运行流程

1.pip install -r requirements.txt
2将图片放在dataset\SRD\testA文件夹下

3.运行python main_test.py --dataset SRD --datasetpath  E:\001_code\DC-ShadowNet-Hard-and-Soft-Shadow-Removal-main_22\dataset\SRD\  --use_original_name False
E:\001_code\DC-ShadowNet-Hard-and-Soft-Shadow-Removal-main_22\dataset\SRD\是你的文件路径
4.results/SRD/500000查看结果

最后,计算机视觉、图像处理、毕业辅导、作业帮助、代码获取,远程协助,代码定制,私聊会回复!

call me :qq1309399183

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/511023.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

NoSQL(非关系型数据库)之Redis的简介与安装

一、简介 1.1 关系型数据库与非关系型数据库 1.1.1 概念 1.1.2 区别 1.2 非关系型数据库产生背景 1.3 redis 简介 1.4 redis 优点 1.5 redis 快的原因 二、安装 2.1 关闭核心防护 2.2 安装相关依赖 2.3 解压软件包并进行编译安装 2.4 设置 Redis 服务所需相关配置文…

聚道云软件连接器:助力企业财务效率提升的成功案例

客户介绍 某公司是一家实力雄厚的综合性企业,自成立以来,公司始终秉持着创新、务实、高效的经营理念,深耕多个领域,不断拓展业务版图,逐渐发展成为业界翘楚。公司经营范围广泛,涵盖了科技研发、生产制造、…

【保姆级讲解下Docker容器】

🌈个人主页:程序员不想敲代码啊 🏆CSDN优质创作者,CSDN实力新星,CSDN博客专家 👍点赞⭐评论⭐收藏 🤝希望本文对您有所裨益,如有不足之处,欢迎在评论区提出指正,让我们共…

数据分析:品牌如何借势小红书热点?

导语 近期,一碗麻辣烫,让甘肃天水成为了不少人旅行计划单上的榜首,各地食客心甘情愿地排队5、6个小时,赶赴一场“麻辣烫之约”。千瓜数据,近30天浏览量破500W,且增势迅猛。 图 | 千瓜数据 去有人的地方 &…

YOLOv8全网独家改进: 小目标 | 注意力 |卷积和注意力融合模块(CAFMAttention) | 2024年4月最新成果

💡💡💡本文独家改进:卷积和注意力融合模块(CAFMAttention),增强对全局和局部特征的提取能力,2024年最新的改进思路 💡💡💡创新点:卷积和注意力巧妙设计 💡💡💡如何跟YOLOv8结合:1)放在backbone后增强对全局和局部特征的提取能力;2)放在detect前面,增…

从《布瓦尔与佩库歇》实践中学习社会科学概论

从《布瓦尔与佩库歇》实践中学习社会科学概论 前情提要《布瓦尔与佩库歇》实践笔记云藏山鹰社会科学概论报告核心--信息形数身知™意合™意气实体过程意气实体过程宇宙学诠释™ 社会科学概论花间流风版导读,马斯克风格演讲[ 一尚韬竹团队供稿;] 内容展开…

带合并行、分组表头和分组表格导出excel

目录 一、实现思路 二、实现 1.引入js 2.数据处理。 ​3.合并行,根据vxe-table的span-method方法做合并行和列 4.点击导出按钮,调用导出方法 vue项目里面的一个需求,需要导出一个excel表格,数据源是后端返回的json&#xff…

寻找适合您的舒适防静电鞋:从安全到舒适的选择指南

在工作环境中,我们时常面临着各种各样的安全隐患,其中静电可能是其中之一。静电不仅会给我们带来不便,还可能引发严重的安全问题,甚至导致火灾或爆炸。因此,选择适合的防静电鞋成为了我们十分关注的话题。 舒适性与安…

获取用户位置数据,IP定位离线库助您洞悉消费者需求

获取用户位置数据是现代互联网应用中非常重要的一环。通过获取用户的位置数据,可以了解用户所在的地理位置,从而更好地为用户提供个性化的服务和推荐。而IP归属地离线库就是一种非常有用的工具,可以帮助企业准确地获取用户的位置信息。 IP归…

WebKit揭秘:从内部结构到应用程序开发

文章目录 WebKit结构简介核心模块其他组件多进程架构(WebKit2) Wekbit做了什么?应用程序如何利用 Webkit WebKit结构简介 WebKit是一个开源的浏览器引擎,它由多个模块组成,这些模块协同工作以提供Web内容的渲染和交互…

电商技术揭秘四:电商平台的物流管理系统

文章目录 引言一、物流管理系统的功能与架构1.1 物流管理系统在电商平台中的作用概述保障订单的及时配送优化库存管理控制运营成本提升客户服务水平支持数据驱动的决策应对市场变化 1.2 订单处理功能分析自动化处理流程订单分配与履行错误检测与处理机制实时订单状态更新订单数…

Hi3861 OpenHarmony嵌入式应用入门--鸿蒙开发环境搭建

目录 简介 准备材料 安装开发环境 配置开发工具和sdk 新建工程 代码编译 简介 本篇将进行hi3861开发环境的搭建,并能够编译默认工程。 准备材料 华为集成开发环境工具DevEco Device Tool 华为集成开发环境IDE DevEco Device Tool下载 | HarmonyOS设备开发 …

C语言 练习题

目录 1.统计二进制中1的个数 方法1 方法2 方法3 2.求两个数二进制中不同位的个数 方法1 方法2 3.打印整数二进制的奇数位和偶数位 4.用“ * ”组成的X形图案 5.根据年份和月份判断天数 6.结语 1.统计二进制中1的个数 【题目内容】 写一个函数返回参数二进制中 1 的个…

C++语言学习(三)——内联函数、auto、for循环、nullptr

1. 内联函数 (1)概念 以inline修饰的函数叫做内联函数,编译时C编译器会在调用内联函数的地方展开,没有函数调 用建立栈帧的开销,内联函数提升程序运行的效率。 内联函数是一种编译器指令,用于告诉编译器…

开源AGV调度系统OpenTCS中的任务分派器(dispatcher)详解

OpenTCS中的任务分派器dispatcher详解 1. 引言2. 任务分派器(dispatcher)2.1 默认的停车位置选择2.2 可选停车位置属性2.3 默认的充电位置选择2.4 即时运输订单分配 3. 默认任务分派器的配置项4. 参考资料与源码 1. 引言 openTCS是一项著名的开源运输控制系统,我在…

OpenHarmony实战:轻量级系统之子系统移植概述

OpenHarmony系统功能按照“系统 > 子系统 > 部件”逐级展开,支持根据实际需求裁剪某些非必要的部件,本文以部分子系统、部件为例进行介绍。若想使用OpenHarmony系统的能力,需要对相应子系统进行适配。 OpenHarmony芯片适配常见子系统列…

PID算法调参经验分享

本篇文章旨在分享我对PID算法调节参数的经验,觉得掌握PID调参是一种十分重要的技能,在此记录一下。希望我的分享对你有所帮助。有关PID的一些文章,可以参考以下文章。 PID算法参数调节经验分享-CSDN博客 PID算法详解(代码详解篇&a…

一起来从Solidworks中导出URDF模型

这个博客是用来记录关于【从Solidworks中导出URDF模型】的学习历程: 相关课程链接见:如何从Solidworks导出URDF模型 • 古月 (guyuehome.com) 下面让我们一起开始吧!!! 1. sw_urdf_exporter插件介绍 插件下载链接&…

Free RTOS day3

1.思维导图 2.重新实现一遍任务调度算法的代码。 &#xff08;1&#xff09;抢占式调度 #include "FreeRTOS.h" #include "task.h" #include "main.h" #include "cmsis_os.h" #include <stdio.h>osThreadId_t defaultTaskHand…

MTFormer

作者未提供代码